![](https://csdnimg.cn/release/download_crawler_static/89173784/bg9.jpg)
称之为模式类(又简称为类)。而“模式识别”则是在某些一定量度或观测基础
上把待识模式划分到各自的模式类中去。
[31]
对模式的统计分类方法,即把模式类看成是用某个随机向量实现的集合,又
称为决策理论识别方法。属于同一类别的各个模式之间的差异,部分是由环境噪
声和传感器的性质所引起的,部分是模式本身所具有的随机性质。前者如纸的质
量、墨水、污点对书写字符的影响;后者表现为同一个人书写同一字符时,虽形
状相似,但不可能完全一样。因此当用特征向量来表示这些在形状上稍有差异的
字符时,同这些特征向量对应的特征空间中的点便不同一,而是分布在特征空间
的某个区域中。这个区域就可以用来表示该随机向量实现的集合。模式识别系统
在进行工作时只要判断被识别的对象落入哪一个区域,就能确定出其所属的类别。
1.3.3 统计与结构相结合的识别方法
统计与结构相结合的识别方法能够很好的解决字符正确识别率的问题,结构
识别方法和统计识别方法分别应用在识别的不同层次上。统计识别用于基元的提
取上二结构识别用于整体符号的识别上,我们可以分为以下几步:
(1)符号处理:用细化和归一化对待识字符进行处理。
(2)基元提取:利用神经网络和 Freeman 分别生成节点基元集合和连线基
元集合,他们组成了符号基元集合
(3)符号文法:利用得到的符号基元集合来建立符号的有向图的表示法再
利用图的遍历算法遍历所有节点形成符号句再用模糊度形成三级模糊度符号句
子。
(4)句子匹配:对符号的三级模糊度进行匹配进而得到识别结果。
[6]
1.3.4 人工神经网络方法
人工神经网络(ArtificialNeuralNetworks,简写为 ANNs)也简称为神经网络
(NNs)又称作连接模型(ConnectionistModel),它模范动物的神经网络行为特
征,是一种分布式并行信息处理的算法模型。该网络通过调整内部节点间相互的
连接关系,进行信息处理。人工神经网络具备自学习和自适应能力,通过先前提
供的大量的输入数据,进行分析,掌握输入输出之间内在的规律,最终利用这些
规律,利用提取得到的新数据来计算输出结果,这种学习分析的过程被称为“训
练”。人工神经网络包括 LMBP 神经网络、GA 神经网络、BP 神经网络等多种神经
网络。
[8]
1.4 识别系统性能的评价
衡量一个 BP 神经网络系统性能好坏的主要指标有:正确识别率(正确识别